Klasifikasi Kanker Kulit Menggunakan Metode VGG-19

Abstract

Kanker kulit merupakan pertumbuhan yang berlebihan pada jaringan kulit yang mengenai beberapa atau seluruh lapisan kulit dan memerlukan diagnosis yang akurat untuk penanganan yang efektif. Identifikasi yang dilakukan oleh dokter dermatologi untuk mendiagnosa kanker kulit adalah dengan metode biopsi, dimana metode biopsi adalah pengambilan sampel jaringan kulit untuk diperiksa di laboratorium, aktifitas ini dapat membuat luka pada pasien, memerlukan biaya yang mahal, serta memerlukan keahlian yang khusus dan dapat memakan waktu yang cukup lama. Oleh sebab itu, dibutuhkan sistem yang dapat membantu mendiagnosis kanker kulit secara cepat. Peneliti mengusulkan sebuah metode untuk membantu para dokter dermatologi dalam mendiagnosis kanker kulit secara otomatis menggunakan pendekeatan Convolutional Neural Network (CNN) dengan arsitektur VGG-19. Model ini dilatih untuk mengenali serta mengklasifikasikan delapan jenis kanker kulit, yaitu Basal Cell Carcinoma, Squamous Cell Carcinoma, Melanoma, Actinic Keratoses, Benign Keratosis-like Lesions, Dermatofibroma, Melanocytic Nevi, dan Pigmented Benign Keratosis, serta satu kategori kulit sehat (Healthy Skin), berdasarkan citra kulit yang diperoleh dari pemeriksaan klinis atau dermatoskopi. VGG-19 memiliki kedalaman jaringan yang lebih kompleks dibandingkan pendahulunya, sehingga mampu mengekstraksi fitur dengan lebih baik. Dataset yang digunakan mencakup 23.688 gambar citra kulit yang telah dikategorikan berdasarkan jenis penyakitnya. Hasil yang diperoleh dari penelitian ini mencapai akurasi pelatihan sebesar 97,41% dengan loss sebesar 0,0759. Selain itu, penelitian ini melakukan dua skenario pengujian, pengujian dengan data uji secara otomatis setelah proses pelatihan (data besar dan tidak seimbang) mencapai akurasi sebesar 96,69% dengan rata rata presisi 97,1%, recall 95,6%, dan F1-Score 96,22%, sementara pengujian menggunakan data uji melalui GUI mencapai akurasi sebesar 93,89% dengan rata rata presisi 95,35%, recall 92,8%, dan F1-Score 93,9%.